基于数据挖掘的电站锅炉NO_x预测与配煤优化研究

中国的发电结构以煤电为主，在未来很长一段时间内，煤电仍将是主要的发电形式。由于煤炭市场的巨大变化和电厂对低成本的追求，机组的运行通常选择配煤和燃烧方式。然而，目前的排放要求越来越严格，煤的类型也越来越复杂和多样化。传统的基于人工经验的配煤燃烧方式存在决策效率低、决策失误导致运行成本高等缺点。目前，机器学习等高山技术发展迅速，已在许多领域得到应用。在发电领域，针对NOx等指标的预测模型在燃烧优化和在线监测领域的研究较多，而在配煤和燃烧方面的研究较少。目前，配煤和燃烧主要基于人工经验或专家系统。火电厂是一个拥有大量历史数据的地方。通过对火力发电厂海量数据公司的深部开采，建立了指导配煤和燃烧的预测模型，对辅助人工决策具有重要意义。配煤时，主要考虑NOx发电量和锅炉效率等指标。本文首先以NOx学生为研究对象，通过对NOx生成机制的分析，确定初始变量，最后建立了一个轻量化模型梯度电梯基于数据预处理、特征工程、模型参数调整等过程（GBMLight锅炉NOx预测模型），超参数优化采用随机搜索法和贝叶斯优化法进行。结果表明，基于lightgbm的NOx预测模型的性能优于BP神经网络模型、支持向量机模型、随机森林模型和XGBoost模型，验证了本文建立的模型的先进性和准确性。同时，借助优化算法，进一步提高了本文所建立模型的精度。其次，将Light模型应用于排烟温度的预测。结果表明，该模型具有较高的精度和良好的泛化能力。通过对配煤燃烧实际应用场景的分析，对NOx预测模型和排烟温度模型进行了简化。通过Pearson相关系数确定与负荷有强线性关系的运行参数，通过最小二乘线性回归得到回归方程。结果表明，简化的NOx预测模型和排烟温度预测模型保持了较高的性能，验证了该预测模型具有实际应用价值。最后，通过实例介绍了该预测模型的应用模式和输出结果。该模型的预测值可作为指导燃料运行的重要依据，具有良好的工程应用价值。